機器學習導論檢視原始碼討論檢視歷史
| 機器學習導論 |
《機器學習導論(原書第2版)》討論了機器學習在統計學、模式識別、神經網絡、人工智能、信號處理等不同領域的應用，其中涵蓋了監督學習、貝葉斯決策理論、參數方法、多元方法、多層感知器、局部模型、隱馬爾可夫模型、分類算法評估和比較以及增強學習。《機器學習導論(原書第2版)》可供完成計算機程序設計、概率論、微積分和線性代數課程的高年級本科生和研究生使用，也可供對機器學習感興趣的工程技術人員參考。
圖書信息
書 名: 機器學習導論
作 者：阿培丁
出版社： 機械工業出版社
出版時間： 2009年06月
ISBN: 9787111265245
開本： 16開
定價: 39元
內容簡介
《 機器學習導論》對機器學習的定義和應用實例進行了介紹，涵蓋了 監督學習。 貝葉斯決策理論。參數方法、多元方法、維度歸約、聚類、非參數方法、 決策樹。線性 判別式、多層 感知器，局部模型、 隱馬爾可夫模型。分類算法評估和比較，組合多學習器以及增強學習等。機器學習的目標是對 計算機編程，以便使用樣本數據或以往的經驗來解決給定的問題。已經有許多機器學習的成功應用，包括分析以往銷售數據來預測客戶行為， 人臉識別或 語音識別，優化機器人行為以便使用最少的資源來完成任務，以及從生物信息數據中提取知識的各種系統。為了對機器學習問題和解進行統一的論述，《 機器學習導論》討論了機器學習在統計學、 模式識別、神經網絡。人工智能。 信號處理、控制和 數據挖掘等不同領域的應用。對所有學習算法都進行了解釋，以便讀者可以容易地將書中的公式轉變為 計算機程序。《機器學習導論》可作為高等院校 計算機相關專業高年級本科生和研究生的教材，也可供研究 機器學習方法的技術人員參考。
作者簡介
Ethem Alpaydin，是土耳其 伊斯坦布爾博 阿齊奇大學計算機工程系的教授。於1990年在 洛桑聯邦理工學院獲 博士學位，之後先後在美國麻省理工和 伯克利大學工作和進行博士後研究。Ethem博士主要從事 機器學習方面的研究，是 劍橋大學的《The Computer Journal》雜誌編委和Elsevier的《 Pattern Recognition》雜誌的副主編。2001年和2002年，Ethem博士先後獲得土耳其科學院青年科學家獎和土耳其科學與技術研究委員會科學獎。
圖書目錄
出版者的話
中文版序
譯者序
前言
致謝
符號表
第1章 緒論
1．1 什麼是機器學習
1．2 機器學習的應用實例
1．2．1 學習 關聯性
1．2．2 分類
1．2．3 回歸
1．2．4 非監督學習
1．2．5 增強學習
1．3 注釋
1．4 相關資源
1．5 習題
1．6 參考文獻
第2章 監督學習
2．1 由實例學習類
2．2 VC維
2．3 概率逼近正確學習
2．4 噪聲
2．5 學習多類
2．6 回歸
2．7 模型選擇與泛化
2．8 監督機器學習算法的維
2．9 注釋
2．10 習題
2．11 參考文獻
第3章 貝葉斯決策定理
3．1 引言
3．2 分類
3．3 損失與風險
3．4 判別式函數
3．5 效用理論
3．6 信息值
3．7 貝葉斯網絡
3．8 影響圖
3．9 關聯規則
3．10 注釋
3．11 習題
3．12 參考文獻
第4章 參數方法
4．1 引言
4．2 最大似然估計
4．2．1 伯努利密度
4．2．2 多項密度
4．2．3 高斯(正態)密度
4．3 評價估計： 偏倚和 方差
4．4 貝葉斯估計
4．5 參數分類
4．6 回歸
4．7 調整模型的 複雜度： 偏倚／方差兩難選擇
4．8 模型選擇過程
4．9 注釋
4．10 習題
4．11 參考文獻
第5章 多元方法
5．1 多 元數據
5．2 參數估計
5．3 缺失值估計
5．4 多元 正態分布
5．5 多元分類
5．6 調整複雜度
5．7 離散特徵
5．8 多元回歸
5．9 注釋
5．10 習題
5．11 參考文獻
第6章 維度歸約
6．1 引言
6．2 子集選擇
6．3 主成分分析
6．4 因子分析
6．5 多維定標
6．6 線性 判別分析
6．7 注釋
6．8 習題
6．9 參考文獻
第7章 聚類
7．1 引言
7．2 混合密度
7．3 平 均值聚類
7．4 期望最大化算法
7．5 潛在變量 混合模型
7．6 聚類後的監督學習
7．7 層次聚類
7．8 選擇簇個數
7．9 注釋
7．10 習題
7．11 參考文獻
第8章 非參數方法
8．1 引言
8．2 非參數密度估計
8．2．1 直方圖估計
8．2．2 核估計
8．2．3 ％-最近鄰估計
8．3 到多變 元數據的推廣
8．4 非參數分類
8．5 精簡的最近鄰
8．6 非參數回歸：光滑模型
8．6．1 移動均值光滑
8．6．2 核光滑
8．6．3 移動線光滑
8．7 如何選擇光滑參數
8．8 注釋
8．9 習題
8．10 參考文獻
第9章 決策樹
9．1 引言
9．2 單變量樹
9．2．1 分類樹
9．2．2 回歸樹
9．3 剪枝
9．4 由決策樹提取規則
9．5 由數據學習規則
9．6 多變量樹
9．7 注釋
9．8 習題
9．9 參考文獻
第10章 線性判別式
10．1 引言
10．2 推廣線性模型
10．3 線性判別式的幾何意義
10．3．1 兩類問題
10．3．2 多類問題
10．4 逐對分離
10．5 參數判別式的進一步討論
10．6 梯度下降
10．7 邏輯斯諦判別式
10．7．1 兩類問題
10．7．2 多類問題
10．8 回歸判別式
10．9 支持 向量機
10．9．1 最佳分離 超平面
10．9．2 不可分情況：軟邊緣超平面
10．9．3 核函數
10．9．4 用於回歸的 支持向量機
10．10 注釋
10．11 習題
10．12 參考文獻
第11章 多層感知器
11．1 引言
11．1．1 理解 人腦
11．1．2 神經網絡作為 並行處理的典範
11．2 感知器
11．3 訓練感知器
11．4 學習 布爾函數
11．5 多層感知器
11．6 MLP作為通用逼近器
11．7 後向傳播算法
11．7．1 非線性回歸
11．7．2 兩類判別式
11．7．3 多類判別式
11．7．4 多個隱藏層
11．8 訓練過程
11．8．1 改善收斂性
11．8．2 過分訓練
11．8．3 構造網絡
11．8．4 線索
11．9 調整網絡規模
11．10 學習的 貝葉斯觀點
11．11 維度歸約
11．12 學習時間
11．12．1 時間延遲神經網絡
11．12．2 遞歸網絡
11．13 注釋
11．14 習題
11．15 參考文獻
第12章 局部模型
12．1 引言
12．2 競爭學習
12．2．1 在線均值
12．2．2 自適應 共鳴理論
12．2．3 自組織映射
12．3 徑向基函數
12．4．結合基於規則的知識
12．5 規範化基函數
12．6 競爭的基函數
12．7 學習向量量化
12．8 混合專家模型
12．8．1 協同專家模型
12．8．2 競爭專家模型
12．9 層次混合專家模型
12．10 注釋
12．11 習題
12．12 參考文獻
第13章 隱馬爾可夫模型
13．1 引言
13．2 離散 馬爾可夫過程
13．3 隱馬爾可夫模型
13．4 HMM的三個基本問題
13．5 估值問題
13．6 尋找狀態序列
13．7 學習模型參數
13．8 連續觀測
13．9 帶輸入的HMM
13．10 HNMqItl的模型選擇
13．11 注釋
13．12 習題
13．13 參考文獻
第14章 分類算法評估和比較
14．1 引言
14．2 交叉確認和再 抽樣方法
14．2．1 K．折交叉確認
14．2．2 5~2交叉確認
14．2．3 自助法
14．3 誤差度量
14．4 區間估計
14．5 假設檢驗
14．6 評估分類算法的性能
14．6．1 二項檢驗
14．6．2 近似 正態檢驗
14．6．3 配對￡檢驗
14．7 比較兩個分類算法
14．7．1 McNemar-檢驗
14．7．2 K-折交叉確認配對 t檢驗
14．7．3 5x2交叉確認配對t檢驗
14．7．4 5x2交叉確認配對 F檢驗
14．8 比較多個分類算法： 方差分析
14．9 注釋
14．10 習題
14．11 參考文獻
第15章 組合多學習器
15．1 基本原理
15．2 投票法
15．3 糾錯輸出碼
15．4 裝袋
15．5 提升
15．6 重溫混合專家模型
15．7 層疊泛化
15．8 級聯
15．9 注釋
15．10 習題
15．11 參考文獻
第16章 增強學習
16．1 引言
16．2 單狀態情況：K臂 賭博機問題
16．3 增強學習基礎
16．4 基於模型的學習
16．4．1 價值迭代
16．4．2 策略迭代
16．5 時間差分學習
16．5．1 探索策略
16．5．2 確定性獎勵和動作
16．5．3 確定性獎勵和動作
16．5．4 資格跡
16．6 推廣
16．7 部分可觀測狀態
16．8 注釋
16．9 習題
16．10 參考文獻
附錄A 概率論
索引
……
推薦
《機器學習導論(原書第2版)》是最佳的機器學習入門教材。全面討論機器學習方法和技術，層次合理、敘述清晰、難度適中。涵蓋了經典的機器學習算法和理論，同時補充了近年來新出現的機器學習方法。
前言
機器學習使用實例數據或過去的經驗訓練計算機，以優化性能標準。當人們不能直接編寫計算機程序解決給定的問題，而是需要藉助於實例數據或經驗時，就需要學習。一種需要學習的情況是人們沒有專門技術，或者不能解釋他們的專門技術。以語音識別，即將聲學語音信號轉換成ASCII文本為例。看上去我們可以毫無困難地做這件事，但是我們卻不能解釋我們是如何做的。由於年齡、性別或口音的差異，不同的人讀相同的詞發音卻不同。在機器學習中，這個問題的解決方法是從不同的人那裡收集大量發音樣本，並學習將它們映射到詞。
另一種需要學習的情況是要解決的問題隨時間變化或依賴於特定的環境。我們希望有一個能夠自動適應環境的通用系統，而不是為每個特定的環境編寫一個不同的程序。以計算機網絡上的包傳遞為例。最大化服務質量的、從源地到目的地的路徑隨網絡流量的改變而改變。學習路由程序能夠通過監視網絡流量自動調整到最佳路徑。另一個例子是智能用戶界面，它能夠自動適應用戶的生物特徵，即用戶的口音、筆跡、工作習慣等。
機器學習在各個領域都有許多成功的應用：已經有了識別語音和筆跡的商用系統。零售商分析他們過去的銷售數據，了解顧客行為，以便改善顧客關係管理。金融機構分析過去的交易，以便預測顧客的信用風險。機器人學習優化它們的行為，以便使用最少的資源來完成任務。在生物信息學方面，使用計算機不僅可以分析海量數據，而且還可以提取知識。這些只是我們（即你和我）將在本書討論的應用的一部分。我們只能想象一下可使用機器學習實現的未來應用：可以在不同的路況、不同的天氣條件下自己行駛的汽車，可以實時翻譯外語的電話，可以在新環境（例如另一個星球的表面）航行的自動化機器人。機器學習的確是一個令人激動的研究領域！
本書討論的許多方法都源於各種領域：統計學、模式識別、神經網絡、人工智能、信號處理、控制和數據挖掘。過去，這些不同領域的研究遵循不同的途徑，側重點也不同。本書旨在把它們組合在一起，給出問題的統一處理並提供它們的解。 本書是一本入門教材，用於高年級本科生和研究生的機器學習課程，以及在業界工作、對這些方法的應用感興趣的工程技術人員。預備知識是計算機程序設計、概率論、微積分和線性代數方面的課程。本書的目標是充分解釋所有的學習算法，使得從本書給出的方程到計算機程序只是一小步。為了使這一任務更容易完成，對於某些情況，我們給出了算法的偽代碼。 適當選取一些章節，本書可用作一學期的課程。再額外討論一些研究論文的話，本書也可以用作兩學期的課程，這時每章後的參考文獻將很有用。
我非常喜歡寫這本書，希望你能喜歡讀它。[1]